Los calentamientos estratosféricos súbitos (SSWs) son perturbaciones atmosféricas polares extremas que impactan significativamente los embates de frío en latitudes medias, pero su predicción temprana sigue siendo un desafío para los modelos numéricos convencionales. En este estudio, proponemos un marco de predicción de video para la previsión de SSW y presentamos una Red de Flujo de Memoria Espaciotemporal Desacoplada (DSMF-Net) para capturar de manera más efectiva la evolución dinámica de los vórtices polares estratosféricos. DSMF-Net separa las dependencias espaciales y temporales utilizando módulos de flujo de memoria especializados, lo que permite un modelado detallado de la morfología del vórtice y las transiciones dinámicas. Experimentos sobre eventos representativos de SSW desde 2018 hasta 2021 muestran que DSMF-Net puede predecir de manera confiable las ocurrencias de SSW hasta 20 días de anticipación, mientras replica con precisión la evolución de las estructuras del vórtice polar. En comparación con modelos de referencia como la Red Neuronal Recurrente Predictiva (PredRNN) y la Red Neuronal Recurrente de Movimiento (MotionRNN), nuestro método logra mejoras consistentes en varias métricas, con ganancias promedio del 10.5% en el Error Cuadrático Medio (MSE) y del 6.4% en el Error Absoluto Medio (MAE) y un aumento del 0.7% en la Medida del Índice de Similitud Estructural (SSIM). Estos hallazgos subrayan el potencial de los marcos de predicción de video profundo para mejorar las previsiones estratosféricas a medio plazo y cerrar la brecha entre los modelos impulsados por datos y la dinámica atmosférica.